論文の概要: Lightweight Neural Framework for Robust 3D Volume and Surface Estimation from Multi-View Images

• arxiv url: http://arxiv.org/abs/2606.23653v1
• Date: Mon, 22 Jun 2026 17:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 17:27:24.475428
• Title: Lightweight Neural Framework for Robust 3D Volume and Surface Estimation from Multi-View Images
• Title（参考訳）: 多視点画像からのロバスト3次元体積と表面推定のための軽量ニューラルネットワークフレームワーク
• Authors: Diego E. Farchione, Ramzi Idoughi, Peter Wonka,
• Abstract要約: マルチビュー画像から直接スケール正規化ボリュームと表面積を回帰する完全フィードフォワードフレームワークを提案する。 グラフベースのデコーダを用いて3Dポイントクラウド再構成とビューアライメントされた2D特徴を融合することにより、モデルが反復最適化をバイパスする。 このアーキテクチャは、ビジュアルデータから正確な幾何学的推定を行うための高速でスケーラブルな代替手段を提供する。
• 参考スコア（独自算出の注目度）: 45.20850219249498
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate volume and surface area estimation is critical for diverse applications, from marine ecology to medical diagnostics. However, existing methods often suffer from high computational costs and poor performance with sparse and noisy data. We propose a fully feed-forward framework that regresses scale-normalized volume and surface area and their associated uncertainties directly from multi-view images. By fusing 3D point cloud reconstructions with view-aligned 2D features through a graph-based decoder, our model bypasses iterative optimization, ensuring exceptional scalability and rapid inference. Experimental results demonstrate that our approach outperforms state-of-the-art methods, particularly when operating with a low number of input images. Validated across coral monitoring, dietary analysis, and anthropometry, our proposed framework provides a robust, adaptable solution for quantitative shape analysis. This architecture provides a high-speed, scalable alternative for precise geometric estimation from visual data, maintaining high performance even in resource-constrained or sparse-view scenarios.
• Abstract（参考訳）: 正確な体積と表面積の推定は、海洋生態学から医学診断まで様々な応用に欠かせない。 しかし、既存の手法は計算コストが高く、スパースでノイズの多いデータでは性能が劣ることが多い。 マルチビュー画像から直接、スケール正規化ボリュームと表面積と関連する不確かさを抑える完全なフィードフォワードフレームワークを提案する。 グラフベースのデコーダによる3Dポイントクラウド再構成とビューアライン2D機能との融合により,我々のモデルは反復最適化を回避し,優れたスケーラビリティと高速推論を実現する。 実験結果から,本手法は,特に少ない入力画像の操作において,最先端の手法よりも優れていることが示された。 提案手法は,サンゴのモニタリング,食餌分析,人文計測にまたがって検証され,定量的形状解析のための堅牢で適応性の高いソリューションを提供する。 このアーキテクチャは、ビジュアルデータから正確な幾何学的推定を行うための高速でスケーラブルな代替手段を提供する。

関連論文リスト

• Intern-GS: Vision Model Guided Sparse-View 3D Gaussian Splatting [95.61137026932062]
  Intern-GSはスパースビューガウススプラッティングのプロセスを強化する新しいアプローチである。 Intern-GSは多様なデータセットにまたがって最先端のレンダリング品質を実現する。
  論文  参考訳（メタデータ） (2025-05-27T05:17:49Z)
• PF3plat: Pose-Free Feed-Forward 3D Gaussian Splatting [54.7468067660037]
  PF3platは、設計選択を検証した包括的なアブレーション研究によってサポートされた、すべてのベンチマークに新しい最先端を設定します。 本フレームワークは,3DGSの高速,スケーラビリティ,高品質な3D再構成とビュー合成機能を活用している。
  論文  参考訳（メタデータ） (2024-10-29T15:28:15Z)
• SG-NeRF: Neural Surface Reconstruction with Scene Graph Optimization [16.460851701725392]
  本稿では,外乱ポーズの影響を軽減するため,シーングラフを用いた放射場最適化手法を提案する。 本手法では,シーングラフに基づく適応型不整合・不整合信頼度推定手法を取り入れた。 また、カメラのポーズと表面形状を最適化するために、効果的な交叉結合(IoU)損失を導入する。
  論文  参考訳（メタデータ） (2024-07-17T15:50:17Z)
• Anti-Aliased Neural Implicit Surfaces with Encoding Level of Detail [54.03399077258403]
  本稿では,高頻度幾何細部リカバリとアンチエイリアス化された新しいビューレンダリングのための効率的なニューラル表現であるLoD-NeuSを提案する。 我々の表現は、光線に沿った円錐状のフラストラム内の多面体化から空間特徴を集約する。
  論文  参考訳（メタデータ） (2023-09-19T05:44:00Z)
• DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
  本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。 筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。 DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
  論文  参考訳（メタデータ） (2022-12-05T14:00:59Z)
• Monocular Real-Time Volumetric Performance Capture [28.481131687883256]
  本稿では,モノクロ映像から実時間速度でボリューム・パフォーマンス・キャプチャとノベル・ビュー・レンダリングを行うための最初のアプローチを提案する。 このシステムは,Pixel-Aligned Implicit Function (PIFu)を活用して,各フレームから完全にテクスチャ化された3次元人体を再構成する。 また,オンラインハード・サンプル・マイニング(OHEM)技術を導入し,難題の稀な発生により,障害モードを効果的に抑制する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-28T04:45:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。